自动驾驶技术流派之争：从感知到决策的多元演进路径

在全球范围内，自动驾驶技术的商业化应用正步入快车道，加速推进。

截至2025年5月，Waymo在美国旧金山、洛杉矶、凤凰城和奥斯汀等城市运营的自动驾驶出租车车队规模已达1500辆，每周完成付费出行服务超过25万次；同时，百度Apollo在全球部署的无人驾驶汽车数量突破1000辆，累计提供出行服务超1100万次，安全行驶里程跨越1.7亿公里大关。

尽管大规模落地看似标志着技术成熟，实则不然，自动驾驶领域仍存在诸多尚未达成共识的流派分歧。

例如，在传感器方案上，纯视觉派与多传感器融合派该如何选择？系统架构方面，是坚持模块化设计，还是拥抱新兴的端到端架构？更进一步，关于世界理解方式，VLA和VLM哪个更具优势？

这些悬而未决的争议，正引导自动驾驶驶向一个尚未完全确定的未来。理解这些不同的技术路线，正是把握自动驾驶的起源、发展方向以及技术自我进化机制的关键。

眼睛之争

纯视觉vs多传感器融合

一切始于“感知”。汽车如何观察世界，构成了自动驾驶的基石。在这个核心问题上，两大阵营长期对峙，至今未休。

故事可追溯至2004年美国莫哈韦沙漠的一场挑战赛。

当时，美国国防高级研究计划局设立200万美元奖金，吸引数十支顶尖高校和科研机构参与，旨在解答“车辆如何感知周围环境？”这一难题。

卡内基梅隆大学和斯坦福大学等团队采用的激光雷达方案最终胜出。这项能生成精确3D点云图的技术，奠定了早期自动驾驶发展路线，并被谷歌旗下的Waymo继承和发扬。

然而，这一派有个显著弱点：成本高昂。一套激光雷达系统造价曾达7.5万美元，超过车辆本身，注定走小规模精英路线，难以实现大规模商业化。

十年后，以特斯拉为代表的视觉派开辟了另一条道路。

他们主张化繁为简：“人类仅靠双眼和大脑就能驾驶，机器为何不可？”

2014年，特斯拉推出Autopilot系统，采用Mobileye的视觉方案，选择了以摄像头为主的感知路径。2016年，埃隆·马斯克公开宣称“激光雷达是徒劳的”，正式确立了纯视觉技术路线。

团队通过8个环绕摄像头模拟人类视野，依靠深度学习算法从二维图像中重建三维环境。纯视觉方案成本极低，易于大规模商业化。通过销售更多车辆，收集海量真实世界数据，形成“数据飞轮”，反哺算法迭代，实现越用越强。

但摄像头作为“被动”传感器，严重依赖环境光线。在逆光、眩光、黑夜、大雨或大雾等条件下，性能会显著下降，远不及激光雷达可靠。

以激光雷达为主的多传感器融合方案认为，机器的智能在可见未来无法完全媲美人类基于经验的常识和直觉，恶劣天气下必须通过激光雷达等硬件冗余来弥补软件不足。

可以说，纯视觉将所有压力集中于算法，赌的是智能化未来；多传感器融合更注重工程落地，选择的是经过验证的现实方案。

目前，主流车企（如Waymo、小鹏、蔚来等）都站在多传感器融合阵营。他们认为安全是自动驾驶不可逾越的红线，而冗余是保障安全的唯一途径。

值得注意的是，两条路线并非完全泾渭分明，而是在相互学习和融合：纯视觉方案逐步引入更多传感器；多传感器融合方案中，视觉算法的地位也日益提升，成为理解场景语义的关键。

触觉之争

激光雷达vs 4D毫米波雷达

即使在多传感器融合派内部，也隐藏着一个选择难题：

毫米波雷达成本仅数百元，激光雷达早期需数万美元，为何还要花费巨资安装激光雷达？

激光雷达（LiDAR）通过发射激光束并测量其返回时间，可以构建周围环境极其精细的3D点云图像，解决了当时其他传感器无法应对的致命“Corner Case”（极端案例）。

它的角分辨率极高，能够清晰分辨行人姿态、车辆轮廓，甚至路面微小障碍物。在L4/L5级别商业自动驾驶领域，没有其他传感器能同时满足“高精度”和“静态物体检测”要求，为实现基本功能和安全性冗余，激光雷达的成本是车企必须支付的门票。

既然激光雷达如此强大，为何还需研发其他传感器？

激光雷达性能卓越，但也有其局限。激光属于红外光，波长较短。雨滴、雾滴、雪花、烟尘等颗粒大小与激光波长接近，会导致激光发生散射和吸收，产生大量“噪声”点云。

而4D毫米波雷达能全天候工作，在恶劣天气下利用其强大穿透能力，率先发现前方障碍物并提供距离和速度数据。不过，毫米波雷达回波点稀疏，只能形成少量点云，无法像激光雷达那样勾勒物体轮廓和形状，还可能因电子干扰产生“幽灵识别”。低分辨率让它难以成为主传感器，只能作为辅助。

因此，激光雷达和毫米波雷达各有优劣。二者不是替代关系，而是“常规场景靠毫米波控制成本，复杂场景靠激光雷达保障安全”的互补逻辑，不同车型配置各异。

L4 Robotaxi和豪华车通常采用“激光雷达为主，毫米波雷达为辅”策略，不计成本堆砌传感器，追求极致安全与性能上限；L2+、L3量产经济车型主要依赖“摄像头+毫米波雷达”，在车顶关键位置使用1～2颗激光雷达，形成高性价比方案。

车企围绕传感器的选择争议，本质是一场关于“如何以最低成本实现最高安全”的技术探索与商业博弈。未来，各种传感器将进一步融合，形成多样化搭配方案。

大脑之争

端到端vs 模块化

如果说传感器是眼睛，那么算法就是大脑。

很长一段时间，自动驾驶系统采用模块化设计，整个驾驶任务被拆解为感知、预测、规划、控制等独立子任务。每个模块各司其职，拥有独立算法和优化目标，像一条分工明确的流水线。

模块化的优点是可解释性强、开发并行、易于调试。但局部最优不等于全局最优，分而治之模式存在致命缺陷。每个模块在处理和传递信息时，都会进行一定程度的简化和抽象，导致原始丰富信息在层层传递中丢失，整体表现难以达到最优。

2022至2023年，以特斯拉FSD V12为代表的“端到端”模型横空出世，颠覆了传统范式。这种方案的灵感源于人类学习方式：新手司机不是先学光学原理再研究交通规则，而是通过观察教练操作直接学习驾驶。

端到端模型不再进行人为模块划分，而是通过学习海量人类驾驶数据，构建庞大神经网络，直接将传感器输入的原始数据映射到方向盘转角、油门刹车等终端驾驶控制指令。

与模块化算法不同，端到端模型全过程无信息损失、性能上限高，开发流程进一步简化，但也存在难以溯源问题的黑箱难题。一旦发生事故，系统难以判断哪个步骤出错、后续如何优化。

端到端的出现让自动驾驶从规则驱动迈向数据驱动。然而，其“黑箱”特质让许多更重视安全的车企望而却步，海量训练数据也仅拥有大规模车队的公司才能支撑。

因此，行业内出现了折中的“显式端到端”方案，即在端到端模型中保留可行驶区域、目标轨迹等中间输出，试图在性能与可解释性之间找到平衡。

“灵魂”之争

VLM vs VLA

随着AI发展，新战场在大模型内部开辟。这关乎自动驾驶的灵魂，它应该是辅助驾驶的思考者（VLM），还是执行者（VLA）？

VLM视觉语言模型信奉协同，更追求过程可控，也被称为增强派。该路线认为AI大模型虽然强大，但幻觉在安全领域致命，应该让它做最擅长的事（理解、解释、推理），而把最终决策权交给经过数十年验证、可预测、可调试的传统自动驾驶模块。

VLA视觉语言动作模型信奉涌现，追求结果最优，被称为端到端的终极形态。该流派主张只要模型足够大、数据足够多，AI就能自己从零开始学会驾驶的一切细节和规则，最终其驾驶能力会超越人类和基于规则的系统。

围绕VLM与VLA的争议就像模块化和端到端方案辩论的延续。

VLA存在难以溯源的黑箱困境。如果一辆VLA车发生急刹车，工程师几乎无法追溯原因：是因为它将阴影误判为坑洞？还是学到了某个人类司机的不良习惯？无法调试、无法验证，这与汽车行业严格的功能安全标准根本冲突。

而VLM系统整个过程可分解、可分析、可优化。如果遇到问题，工程师可以清晰看到：传统感知模块检测到物体、VLM将其识别为“被风吹走的塑料袋”、规划模块因此决定“无需紧急刹车，轻微减速即可”。事故后，责任清晰界定。

除了可解释性上的两极分化，训练成本也是车企犹疑不决的原因之一。

VLA需要海量“视频－控制信号”配对数据，即输入一段8摄像头视频，输出同步的方向盘、油门、刹车信号。这种数据极其稀缺且制作成本高昂。

VLM本质是多模态大模型，可以利用互联网规模的丰富“图像－文本”配对数据进行预训练，再用驾驶相关数据微调。数据来源更广，成本相对更低。

目前来看，VLM技术相对成熟，更易落地，大部分主流车企和自动驾驶公司（如Waymo、Cruise、华为、小鹏等）都走在VLM路线上。而VLA路线的探索者则以特斯拉、吉利和理想为代表。据悉，吉利千里科技的千里浩瀚H9方案采用了VLA大模型，具备更强推理与决策能力，支持L3级智能驾驶解决方案。

回顾自动驾驶的流派之争，我们发现这些技术争论从未以一方完全胜出告终，而是在碰撞中相互融合，走向更高层次统一。激光雷达与视觉正在融合为多模态感知系统；模块化架构开始吸收端到端优势；大模型正在为所有系统注入认知智能。

那些曾让行业困惑的谜题，看似没有标准答案，但最终都将成为技术迭代的注脚，推动自动驾驶继续向前发展。